Công Cụ Mô Phỏng Định Lý Giới Hạn Trung Tâm

Kết quả

1.000 mẫu, mỗi mẫu là trung bình của 30 lần rút từ quần thể này — tổng cộng 30.000 lần rút ngẫu nhiên. Hạt giống: 2024.

Với n = 30, độ bất đối xứng dự đoán của các trung bình mẫu là 0,365: vẫn lệch rõ rệt, nên đường cong chuẩn chỉ khớp sơ bộ. Một n lớn hơn sẽ làm nó gần hơn.

Đây là minh họa, không phải chứng minh. Với số mẫu hữu hạn, các cột dao động vài phần trăm quanh đường cong, và một hạt giống khác sẽ làm chúng dịch chuyển lần nữa.

Cách Sử Dụng Công Cụ Mô Phỏng Định Lý Giới Hạn Trung Tâm

1. 1. Chọn một quần thể. Bắt đầu với quần thể lệch phải, rồi thử quần thể lệch rất mạnh, hai đỉnh và có/không, những quần thể có hình dạng không giống hình chuông chút nào.
2. 2. Đặt cỡ mẫu n. Mỗi mẫu là n lần rút ngẫu nhiên được lấy trung bình thành một số. Dùng các nút nhanh để đặt n lần lượt là 1, 5, 30 và 100, rồi xem biểu đồ tần suất thay đổi.
3. 3. Đặt số mẫu. Mỗi mẫu góp một trung bình vào biểu đồ tần suất. Nhiều mẫu hơn làm hình mượt hơn, nhưng không làm phân phối lấy mẫu thực sự chuẩn hơn — chỉ n mới làm được điều đó.
4. 4. Tạo hiệu ứng, hoặc đổi hạt giống. Hiệu ứng thêm các mẫu vài cái một lần, chỉ khi bạn nhấn nút. Cùng một hạt giống luôn tái tạo cùng một hình; "Hạt giống ngẫu nhiên mới" chọn một hạt giống khác.

Định Lý Giới Hạn Trung Tâm Nói Gì

Rút n giá trị độc lập từ bất kỳ quần thể nào có trung bình μ hữu hạn và độ lệch chuẩn σ hữu hạn, rồi lấy trung bình chúng. Khi n tăng, phân phối của trung bình đó tiến tới phân phối chuẩn với trung bình μ và độ lệch chuẩn σ/√n — sai số chuẩn — bất kể quần thể có hình dạng gì. Quần thể không trở nên chuẩn; phân phối của các trung bình mẫu mới là chuẩn.

Tốc độ đạt được phụ thuộc vào quần thể. Một quần thể đối xứng đạt nhanh, một quần thể lệch thì chậm. Độ bất đối xứng của một trung bình mẫu bằng độ bất đối xứng của quần thể chia cho √n, nên bảng của công cụ có thể dự đoán nó trước khi bạn chạy gì cả:

Độ bất đối xứng không phải là toàn bộ câu chuyện: quần thể hai đỉnh có độ bất đối xứng bằng 0 nhưng vẫn cần vài lần rút mỗi mẫu trước khi hai đỉnh hòa làm một. Quy tắc phổ biến "n từ 30 trở lên là đủ" phù hợp với dữ liệu lệch vừa phải; quần thể lognormal vẫn có độ lệch đáng kể ở n = 100. Công cụ coi một sự khớp là gần khi độ bất đối xứng dự đoán giảm xuống dưới 0,25 — một hướng dẫn thô, không phải định lý.

Ví Dụ Minh Họa: Quần Thể Lệch, n = 30

Với cài đặt mặc định — quần thể mũ (μ = 1, σ = 1), n = 30, 1.000 mẫu, hạt giống 2024 — lý thuyết dự đoán sai số chuẩn là 1/√30 = 0,1826 và độ bất đối xứng là 0,3651. 1.000 trung bình mẫu của lần chạy này có trung bình 1,008, độ lệch chuẩn 0,1835 và độ bất đối xứng 0,3448, và 95,1% trong số đó nằm trong 1,96 sai số chuẩn của 1, so với 95% mà đường cong chuẩn cho ra.

Các con số gần lý thuyết nhưng không khớp hoàn toàn, và điều đó là đúng: 1.000 mẫu là một lần chạy hữu hạn. Lần chạy đã rút tổng cộng 30.000 lần ngẫu nhiên; một hạt giống khác sẽ làm mọi cột dịch đi một chút. Độ bất đối xứng còn lại cũng là thật — với n = 30, trung bình của quần thể mũ vẫn lệch phải nhẹ, đó là lý do công cụ gọi đường cong chuẩn ở đây là khớp sơ bộ.

Câu Hỏi Thường Gặp

Định lý giới hạn trung tâm nói gì bằng lời đơn giản?

Trung bình của nhiều quan sát độc lập có phân phối xấp xỉ chuẩn, ngay cả khi từng quan sát không chuẩn. Trung bình của n giá trị từ một quần thể có trung bình μ và độ lệch chuẩn σ có trung bình μ và độ lệch chuẩn σ/√n, và phân phối của nó trông càng giống đường cong hình chuông khi n tăng.

Cỡ mẫu cần bao lớn?

Không có một con số duy nhất. Với quần thể gần đối xứng, n từ 10 đến 15 có thể đủ; với quần thể lệch vừa phải, quy tắc thường dùng là n = 30; với quần thể lệch rất mạnh (như lognormal ở đây), có thể cần n từ 100 trở lên. Hãy chạy công cụ trên một quần thể giống của bạn và xem biểu đồ tần suất.

Định lý có làm quần thể thành chuẩn không?

Không. Quần thể giữ nguyên hình dạng của nó. Cái tiến dần tới chuẩn là phân phối của trung bình mẫu, đó là lý do kiểm định t và khoảng tin cậy cho một trung bình hoạt động khá tốt trên dữ liệu không chuẩn vừa phải khi n không quá nhỏ.

Tại sao độ lệch chuẩn mô phỏng của tôi không đúng bằng σ/√n?

Vì lần chạy là một mẫu hữu hạn của các trung bình mẫu. Với 1.000 mẫu, độ lệch chuẩn mô phỏng thường nằm trong vài phần trăm của sai số chuẩn lý thuyết; hãy tăng số mẫu để thu hẹp khoảng này. Một hạt giống khác cho một giá trị hơi khác mỗi lần.

Định lý giới hạn trung tâm có luôn đúng không?

Không khi quần thể không có phương sai hữu hạn, chẳng hạn phân phối Cauchy, mà trung bình mẫu của nó biến động nhiều như một quan sát đơn lẻ. Định lý cũng giả định các lần rút độc lập; dữ liệu tương quan, như các phép đo lặp lại trên cùng một người, hội tụ chậm hơn hoặc không hội tụ.

Hạt giống làm gì, và tính ngẫu nhiên có thật không?

Các lần rút là số giả ngẫu nhiên sinh ra từ hạt giống của bạn, nên cùng hạt giống, quần thể, n và số mẫu luôn cho ra cùng một hình — hữu ích khi chia sẻ một ví dụ. "Hạt giống ngẫu nhiên mới" chọn một hạt giống bằng bộ sinh số ngẫu nhiên bảo mật của trình duyệt. Mọi thứ chạy trong trình duyệt của bạn; không có gì được tải lên.